herramientas de detección, reporte y ... - rcm.insmet.cu
TRANSCRIPT
Revista Cubana de Meteorología, Vol.22, No.2, pp.150-163, 2016, ISSN: 0864-151X
150
Artículo Original
Herramientas de detección, reporte y evaluación para salidas de
modelos de pronóstico numérico desarrollado en Cuba
Detection, reporting and evaluation tools for outputs from numerical
forecast models developed in Cuba
MSc. Maibys Sierra Lorenzo1, Lic. Israel Borrajero Montejo1, Miguel Hinojosa
Fernández2, Arletis Roque Carrasco3, Camilo Fernando Rodríguez Genó4, Liset
Vázquez Proveyer5, Lic. Adrián Luis Ferrer Hernández1
1 Centro de Física de la Atmósfera, Instituto de Meteorología, Cuba 2 Centro de Instrumentos y Métodos de Observación, Instituto de Meteorología, Cuba 3 Instituto Nacional de Pesquisas Espaciais, Brasil 4 Universidad Nacional Autónoma de México, México 5 Facultad de Medio Ambiente, Instituto Superior de Tecnologías y Ciencias Aplicadas,
Cuba
Resumen
Los modelos de pronóstico numérico del tiempo son en la actualidad una de las
herramientas más utilizadas por los pronosticadores. Sin embargo, la salida numérica, tal
cual la brinda el modelo, no revela toda la información que puede emplearse en la
elaboración de un pronóstico. Se hace necesario construir productos derivados de estas
salidas que permitan, por ejemplo: la identificación de fenómenos meteorológicos, áreas de
precipitación, entre otros; posibilitando la generación de reportes automático. El trabajo que
se presenta describe la primera versión del módulo de detección, reporte y evaluación, que
será acoplado con el sistema de pronóstico a muy corto plazo que se desarrolla en el
Instituto de Meteorología de Cuba. Como resultado se cuenta con una herramienta de
postprocesamiento que se compone de algoritmos para la detección de ciclones, frentes
fríos y áreas de precipitación y nubosidad, en las salidas de los modelos. Los procesos
detectados pueden ser monitoreados, y verificados con las imágenes de satélite. Entre los
Autor para correspondencia: Maibys Sierra Lorenzo, Centro de Física de la Atmósfera, Instituto de
Meteorología. E-mail: [email protected] Recibido: 12 de agosto de 2016
Aceptado: 21 de octubre de 2016
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
151
algoritmos utilizados se encuentran: el método de las crestas, la convolución y la lógica
difusa.
Palabras clave: modelo numérico, modelo de pronóstico, pronóstico numérico del tiempo,
detección de frentes fríos, detección de ciclones, evaluación espacial, MODE, Cuba
Abstract
Numerical Weather Models are among the most used tools by forecasters nowadays.
However, the numerical output in the form that is delivered by the model, does not reveal
all the information needed to prepare a weather forecast report. Hence, there is a need to
derive products from these outputs that allow for instance: identification of meteorological
phenomena, rainfall area, and others; all of which will enable the generation of automatic
reports on its evolution and movement, and the validation with real data. The present paper
aims to accomplish this goal. We describe the first version of the detection, report and
evaluation module that will be coupled with the short-range forecast system being
developed in the Institute of Meteorology of Cuba. As a result, a post-processing tool is
developed composed by algorithms for detection of hurricanes, cold fronts, rainfall areas
and cloudiness in model outputs; which can be monitored, and validated with satellite
images. Ridge method, convolution and fuzzy logic are among the algorithms that we have
used here.
Key words: numerical model, forecast model, numerical weather forecast, detection of
cold fronts, detection of cyclones, spatial evaluation, MODE, Cuba
Introducción
La necesidad de conocer el estado futuro
de la atmósfera para la planificación,
desarrollo y supervivencia de las
sociedades, crece cada vez más. Con el
conocimiento acumulado y el avance
tecnológico logrado en la Meteorología,
hoy se alcanzan horizontes antes muy
lejanos, al mismo tiempo que surgen
nuevos retos a partir de requerimientos de
pronósticos cada vez más especializados.
En este marco, la experiencia de los
meteorólogos, las observaciones
meteorológicas y los modelos de pronóstico
numérico del tiempo (MPNT), se combinan
para responder a los propósitos antes
mencionados.
Los MPNT son en la actualidad la mejor
herramienta para la predicción atmosférica.
Sin embargo, las soluciones numéricas de
los mismos contienen errores por eso la
caracterización de estos errores de
modelación se hace necesaria.
Por otro lado, dado el volumen de
solicitudes de diferentes pronósticos que se
puede recibir en la actividad de pronóstico
operativo, y la urgencia con la que en
muchos casos se exige este pronóstico: es
necesario un postprocesamiento de las
salidas de los MPNT, que facilite su uso y
aplicación. Entre los productos derivados
de las salidas numéricas de los MPNT más
solicitados se encuentra la detección,
clasificación y monitoreo de fenómenos
como: frentes fríos, ciclones y áreas de
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
152
precipitación y nubosidad que puedan ser
de interés.
En este contexto, varios han sido los
resultados alcanzados que tributan a la
evaluación de los MPNT y a la
identificación de diferentes fenómenos
atmosféricos en estos. En el primer caso
destaca, en particular para la verificación
espacial, el “Method for Object-based
Diagnostic Evaluation” (MODE) que
permite la evaluación de variables discretas
como la precipitación. Un ejemplo de su
aplicación al Weather Research & Forecast
(WRF) descrito en WRF (2014), se
encuentra en Davis et al. (2009). Esta
técnica fue incluida en el Model Evaluation
Tool (MET Developers, 2011). Por su
algoritmo basado en la detección de
objetos, este método puede ser usado
también en la detección de áreas de interés
asociadas a las variables discretas.
Relacionados con la detección de procesos
atmosféricos se encuentran los trabajos de
Jenkner et al. (2010) y Vannière et al.,
(2015), en los cuales se proponen diferentes
enfoques para la detección de frentes fríos.
En Cuba, se cuenta con varios sistemas
de modelación numérica del tiempo
ejecutándose de forma operativa. Ejemplos
de estos se encuentran en los trabajos de
Pérez & Mitrani, (2013), Pérez et al.
(2013), y Sierra et al. (2014). Para la
evaluación de dichos sistemas se han
alcanzado importantes resultados como lo
muestran los trabajos de Roque et al.
(2014), y Rodríguez et al. (2016). En estas
investigaciones se partió de la propia
propuesta del MODE adaptándolo a los
datos con los que contaron los autores. Por
otro lado, se ha trabajado en el desarrollo de
un método para la detección de ciclones en
las salidas numéricas. Ejemplo de su
aplicación se puede encontrar en Martínez
et al. (2011).
El trabajo que se presenta tiene como
objetivo la presentación del Módulo de
Detección, Reporte y Evaluación (MDRE)
desarrollado en el ámbito del proyecto
“Sistema de predicción a muy corto plazo
basado en modelos de alta resolución y
asimilación de datos” (SisPI). Esta
herramienta en su primera versión, genera
reportes de frentes fríos, ciclones y áreas de
precipitación y nubosidad detectados en la
salida del “Sistema de predicción
automático con cuatro actualizaciones
diarias”, ver en Sierra et al. (2014),
desarrollado también en el mismo proyecto.
Además, el MDRE, a partir de los procesos
detectados realiza una verificación espacial
de los mismos auxiliándose de imágenes de
satélite. Esto último permite conocer la
habilidad del sistema de modelación en
cuestión, para el pronóstico de este tipo de
fenómenos. El módulo está compuesto por
los siguientes submódulos: lectura de datos
ASCII, NETCDF y TIFF, Cyearch
(detección de vórtices ciclónicos), Ftsearch
(detección de frentes fríos),
MODEMod_v1.0 (detección de áreas de
nubosidad y precipitación), reporte y
evaluación. El módulo tiene adicionalmente
como virtudes, su reusabilidad y
extensibilidad, además de la portabilidad.
El documento está organizado de la
siguiente forma: la estructura del MDRE
con los submódulos así como una
descripción de los algoritmos matemáticos
computacionales utilizados, se encuentra en
la sección de Descripción del MDRE. La
sección Productos que proporciona el
MDRE presenta algunos de las
posibilidades de postprocesamiento que
brinda el módulo. Finalmente, se cometan
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
153
algunas consideraciones y los pasos a
seguir en la sección Consideraciones
finales y trabajo futuro.
Materiales y Métodos
La estructura y los algoritmos utilizados
en el MDRE que se propone, son descritos
brevemente en esta sección. También se
describen: los lenguajes de programación y
bibliotecas utilizados.
Estructura
El Módulo de Detección, Reporte y
Evaluación versión 1.0, opera con las
salidas numéricas de los modelos Advanced
Regional Prediction System (ARPS)
descrito en Xue et al. (2003), y con el
WRF, además de las imágenes del satélite
GOES-13. Para el manejo de estos datos, el
MDRE cuenta con el submódulo encargado
de la lectura, extracción de las variables
meteorológicas necesarias y la preparación
de las matrices de datos que serán
introducidas en el resto de los submódulos.
El proceso de detección, permite la
identificación de los siguientes procesos
atmosféricos: frentes fríos, vórtices
ciclónicos y áreas de nubosidad y
precipitación; mediante los submódulos
Ftsearch, Cysearch y MODEMod_v1.0
respectivamente. Como resultado de la
detección se obtienen listas de objetos
presentes en las salidas de los modelos y en
las imágenes de satélite. Cada objeto es
caracterizado por atributos geométricos
como el centroide, la elongación, la
orientación, área, perímetro entre otros.
Estos atributos son utilizados para la
generación de los reportes y la
correspondiente evaluación de acuerdo con
las imágenes de satélite.
Como salida de la ejecución del MDRE
se obtienen gráficos de posición de los
frentes fríos y de trayectorias de vórtices
ciclónicos pronosticadas por los modelos.
Además para cada plazo de pronóstico se
generan mapas con las á reas de nubosidad
y precipitación que puedan ser de interés.
La salidas de verificación espacial
brindarán información acerca de la cantidad
de objetos que se corresponden o no, entre
el campo pronóstico (salida de los modelos)
y el campo observación (imágenes de
satélite). Con estos detalles se calcula
Índice de éxito crítico (IEC), la
Probabilidad de detección (PD) y otros
estadígrafos con los que será posible medir
la efectividad de los modelos en el
pronóstico de los fenómenos atmosféricos
antes mencionados. En la figura 1, se
muestra un esquema que resume la
estructura del MDRE y el flujo de trabajo
en su interior.
Herramientas de Programación
Para la implementación computacional
del MDRE así como de su adecuada
ejecución, se utilizaron las siguientes
herramientas:
Lenguaje C++: utilizado en la
programación de los algoritmos de
detección, reporte y evaluación
Lenguaje Python 2.7: se emplearon los
módulos Numpy, Scipy y Matplotlib.
Utilizado fundamentalmente para la
construcción de algunas salidas
gráficas y como lenguaje de script para
la automatización del módulo
Biblioteca NETCDF: necesaria para la
lectura de los datos NETCDF, formato
de las salidas del WRF
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
154
Biblioteca LIBTIFF: necesaria para la
lectura de las imágenes de satélite cuyo
formato es TIFF
GrADS: se utilizó para la extracción de
los datos del ARPS que se encuentran
en binario de GrADS y la construcción
de algunas salidas gráficas, ver Doty
(2003).
Compilador de C++: GNU C++
compiler g++
Además se utilizó el código fuente
nrutil.h y nrutil.c de Press et al. (1992),
para el manejo de arreglos y matrices.
Algoritmos
Los algoritmos matemático-
computacionales así como, las
consideraciones físico-meteorológicas
tenidas en cuenta para la detección de los
procesos mencionados, se discuten en esta
sección. Las descripciones incluyen los
parámetros de configuración obtenidos para
la aplicación de los diferentes métodos de
detección a las salidas numéricas e
imágenes de satélites mencionadas
anteriormente.
Figura 1. Esquema que describe la estructura del Módulo de Detección, Reporte y
Evaluación
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
155
1. Cysearch
El submódulo Cysearch consiste en
avisos basados en la detección automática
de vórtices ciclónicos en las salidas
numéricas del modelo WRF. Los vórtices
detectados en plazos sucesivos de
pronóstico se representan en un mapa de la
región en forma de trayectoria.
El método de detección utiliza los
campos de presión e intensidad de viento en
la superficie. Inicialmente el campo de
presión se recorre comparando los valores
en cada punto del dominio con la media en
los puntos que forman un círculo de 375 km
a su alrededor. Si la diferencia es mayor de
un umbral de 350 Pa se considera el punto
un posible vórtice. Dentro del radio
señalado, se examina el campo de
intensidad del viento, en el que debe haber
una diferencia de intensidades (Vmax –
Vmin) mayor de 60 km/h para la
clasificación definitiva. Lo anterior parte de
la consideración de que en esa región debe
haber valores de viento correspondientes a
la zona de vientos máximos y
simultáneamente valores de velocidad bajos
dentro del ojo. En la exploración de los
campos de cada plazo, alrededor de cada
vórtice presente quedan agrupados varios
puntos de rejilla que cumplen las
condiciones anteriores. En un proceso
posterior se selecciona un punto como el
más representativo de la posición del
vórtice para cada grupo, este puede ser el
punto con menor presión o el más próximo
al centro geométrico del grupo. De esta
manera quedan señalados los vórtices
detectados en cada plazo de pronóstico. Las
trayectorias son construidas partiendo del
inicio del pronóstico, buscando para cada
vórtice de cada plazo cuál debe ser su
correspondiente en el plazo siguiente, si es
que existe alguno con posibilidad de serlo.
Se selecciona el más cercano espacialmente
y se aplica un umbral de distancia máxima
posible según el intervalo de tiempo entre
los plazos de pronóstico.
Los umbrales de presión o diferencia de
presión, así como las diferencias de valores
de viento y el radio del círculo sobre el que
se calcula la media de presión que se
compara con el punto en el centro fueron
ajustados de manera empírica a partir de
casos de estudio (Iván, Wilma, Paloma, Ike,
Gustav, Katrina) para lograr el mejor índice
de acierto y evitar los falsos positivos. Los
valores referidos corresponden al dominio
de 27 km de resolución de las corridas
operativas del modelo WRF. La experiencia
indica que estos valores dependen del
modelo utilizado y de la resolución del
dominio. Este método ha sido aplicado con
éxito en trabajos anteriores tales como
Martínez et al. (2011).
2. Ftsearch
Dadas las características morfológicas
generales de los frentes fríos, se requiere de
un enfoque más específico al implementar
el reconocimiento automático de los
mismos en las salidas de los modelos
numéricos. Aunque son varias las variables
de salida que pudieran dar información
significativa, la mayoría de los reportes en
la bibliografía revisada se apoyan en los
niveles inferiores y utilizan, principalmente
una variable, casi siempre dependiente de la
temperatura o del viento. Así, Orlanski &
Ross (1984), determinan los perfiles de
vorticidad y divergencia a lo largo de una
sección transversal a un frente frío a partir
de simulaciones numéricas y observaciones,
obteniendo perfiles muy característicos con
un máximo bien definido de vorticidad
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
156
sobre la posición del frente y un mínimo de
divergencia que suele desfasarse en la
dirección del movimiento. La divergencia
(valores mínimos) es la variable utilizada
por Bieringer et al. (2006), para la
identificación de frentes, mientras que
Hewson (1998), y Jenkner et al. (2010),
proponen un mecanismo de segundas
derivadas que se aplica sobre alguna
función de la temperatura, Thermal Front
Parameter (TFP), que debe dar valores de 0
sobre la línea del frente. Thorpe & Clough
(1991), describen la vorticidad potencial
como una variable con capacidad
discriminatoria y Vannière et al. (2015),
hace un análisis detallado de esta variable,
que depende tanto del viento, como de la
temperatura. La ventaja más relevante de
estos últimos métodos está en la capacidad
de reconocer los frentes en condiciones de
orografía compleja, como es el caso de Los
Alpes en Europa. La región que comprende
el sur de Estados Unidos, el Golfo de
México, Cuba y el mar Caribe no presenta
este tipo de complicaciones de terreno, y
considerando la conveniencia de tener un
método de detección que utilice la menor
cantidad de datos de entrada posible, se
propone la detección utilizando la
vorticidad, calculada a partir de las
componentes del viento en la superficie.
El método propuesto consiste en calcular
la vorticidad en un dominio de salida del
modelo, a partir de las componentes U y V
del viento a 10 m. Para suprimir efectos de
ruido de discretización, se hace un
suavizamiento del campo obtenido con un
filtro semi gaussiano de 5 x 5 puntos o
celdas. Como fue señalado, el campo de
vorticidad muestra máximos en dirección
perpendicular a las líneas de los frentes,
consecuentes con el giro brusco del viento
en esa zona. En el mapa de vorticidad se
observan los frentes como crestas
prolongadas. El principal inconveniente que
surge es que no solo se tienen máximos de
vorticidad en la región del frente, sino que
otros procesos como ondas y bajas, así
como zonas de interacción del viento con
accidentes como costas o regiones
montañosas, generan máximos con
características semejantes, algunos incluso,
también presentan forma de crestas.
Debido a la característica descrita de los
frentes, en lugar de detectar las regiones de
interés mediante algún método de
comparación con umbrales y exploración,
se implementó un algoritmo que detecta
directamente objetos con características
morfológicas de crestas, esto se hace
convolucionando cada punto del dominio
con un conjunto de 12 máscaras de 5 x 5
elementos que representan crestas muy
agudas en 12 direcciones diferentes. Si el
mayor de los valores de la convolución con
alguna de las máscaras es superior a un
umbral seleccionado empíricamente, se
reconoce el punto como perteneciente a una
cresta y se registra, además, en cuál
dirección está orientado. Posteriormente, se
explora la imagen por filas hasta encontrar
algún punto señalado como perteneciente a
una cresta, a partir de éste se exploran
entonces los vecinos en las direcciones
correspondientes con su ángulo de
inclinación, construyéndose así las
diferentes crestas como listas de puntos o
nodos. De cada cresta detectada se
determina un conjunto de parámetros que la
caracterizan, como la longitud, el centroide,
la inclinación respecto a la vertical y una
medida del grado de curvatura. Aunque el
método de detectar directamente crestas en
el mapa de vorticidad elimina todas las
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
157
regiones de máximo con morfologías ajenas
a los frentes, se reconocen con frecuencia
formaciones con tipo de cresta que no son
frentes. Para superar esto se emplea
entonces una muestra de salidas del modelo
que contienen frentes y se estudia la
distribución de los parámetros
determinados a cada cresta, para definir si
los frentes presentan agrupamientos
significativos con respecto a éstos
parámetros, que permita descartar las
crestas que no correspondan a los mismos.
El método de detección fue aplicado a
las salidas del dominio 1 con 27 km de
resolución definido en Sierra et al. (2014).
Se escogieron 5 casos de frentes fríos entre
diciembre de 2015 y marzo de 2016. Como
el sistema corre 4 veces al día, y cada
corrida genera 8 salidas (mapas trihorarios
para pronósticos de 24 horas), el número de
salidas examinadas fue de
aproximadamente 160. De la lista de crestas
identificadas y caracterizadas en cada salida
se seleccionaron manualmente las que
correspondían a frentes fríos, y para este
subconjunto se estudiaron las dependencias
entre los parámetros determinados en el
proceso de detección. La relación entre el
ángulo de inclinación y la medida de
curvatura arrojó un agrupamiento
significativo para los casos de frentes fríos
y no frentes. A esta relación se ajustó una
función de densidad de probabilidad a los
puntos de frentes en el espacio inclinación-
curvatura. Escogiendo un umbral apropiado
(en este caso 0.003) para esta función, se
puede determinar el carácter de frente frío o
no, de una cresta en función de sus valores
de inclinación y curvatura. La función
ajustada consiste en una sumatoria de
curvas gaussianas bidimensionales, ya que
se trata de un espacio de 2 dimensiones.
3. MODEMod_v1.0
La herramienta MODEMod_v1.0 está
basado en el MODE. Esta primera versión
fue desarrollada para la aplicación a los
pronósticos espaciales de nubosidad pero,
también puede ser aplicada a otros campos
coherentes con las estructuras espaciales
(por ejemplo, la precipitación, la
convección, entre otros). Dicha técnica
identifica los objetos combinando la
tradicional aplicación de umbrales de
intensidad con un proceso de convolución
con un filtro circular de 25 x 25 celdas,
donde los campos son suavizados
espacialmente. Los objetos identificados
imitan lo que los humanos llamarían
regiones de interés. Luego calcula
propiedades llamadas atributos, que
caracterizan a los objetos individuales:
Área: es el número de cuadrículas que
ocupa un objeto
Perímetro: es el número de cuadrículas
que conforman el borde de un objeto
Posición o centroide: es el centro de
masa del objeto. Se utiliza para tener
una medida de la distancia entre los
objetos. Es caracterizado por dos
valores escalares (latitud-longitud, o las
coordenadas de la rejilla x, y)
Orientación: Caracteriza la dirección
general u orientación del objeto
Razón de aspecto: Razón entre la
longitud del eje menor y el eje mayor
del objeto
Complejidad: Razón entre el área del
objeto y el área de su envoltura
convexa
Con la finalidad de fusionar objetos de
un mismo campo y de asociar objetos de
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
158
dos campos diferentes se calculan atributos
para pares de objetos. Estos son:
Distancia mínima entre los bordes: Es
la distancia entre los puntos más
cercanos de ambos objetos. Da una
medida de la cercanía de los bordes de
los objetos
Diferencia de centroide: Es la
diferencia entre los centroides de los
dos objetos. Proporciona una idea del
desplazamiento que existe entre ambos
objetos
Razón de las áreas: es la razón entre el
área del objeto más pequeño sobre el
área del objeto más grande.
Proporciona una medida de la
semejanza de los objetos en cuanto a su
tamaño
Razón de los perímetros: Es la razón
entre el perímetro del objeto más
pequeño y el perímetro del objeto más
grande. Proporciona una medida de la
semejanza de los objetos en cuanto a su
forma
Diferencia de ángulo: Es la diferencia
entre los ángulos de orientación de
ambos objetos. Proporciona una
medida de la diferencia de inclinación
de los ejes de los objetos
Proporción de aspecto: Es la
proporción existente entre el valor de
razón de aspecto más pequeño y el
valor de razón de aspecto más grande.
Proporciona una medida de la
semejanza de los objetos en cuanto a su
forma
Razón de complejidad: Es la razón
entre el valor de complejidad más
pequeño y el valor de complejidad más
grande. Proporciona una medida de la
semejanza de los objetos en cuanto a su
forma
La fusión y la asociación se realizan
utilizando la lógica difusa. Una vez
establecida la correspondencia de objetos
entre los campos, se calculan los
estadígrafos IEC, PD, la proporción de
falsas alarmas (PFA), el sesgo y se
determina también un valor denominado
mediana de interés máximo, la que agrupa
en un único valor los estadígrafos totales de
interés para cada una de las combinaciones
de objetos en ambos campos.
La configuración del MODEMod_v1.0
utilizada es:
Umbral campo observación: 33 (nivel
digital) para las imágenes VIS de 4km
y 17 para las imágenes VIS de 1km
Umbral campo pronóstico: 0.3 para el
WRF y 0.1 para el ARPS
Funciones de Interés: 400 pts/res de
distancia mínima entre los bordes y 600
pts/res de diferencia de centroide
Una descripción detallada de la
implementación de este submódulo así
como de la determinación de los parámetros
de configuración antes mencionados puede
ser encontrada en Roque et al. (2014), y
Rodríguez et al. (2016).
Resultados y Discusión
Los productos que ofrece el MDRE se
dividen de acuerdo con su propósito. Si lo
que se desea es la identificación de los
procesos y la generación de un reporte
alertando su presencia, se obtienen salidas
gráficas señalando la posición de los
fenómenos meteorológicos detectados. Por
otro lado, si el objetivo es evaluar o
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
159
verificar el pronóstico numérico en función
de las observaciones satelitales, se calculan
estadígrafos referidos a la cantidad de
objetos que se corresponden o no,
detectados en el pronóstico y la
observación. Además en este caso, también
se producen gráficos en los que se muestran
los objetos encontrados en ambos campos y
se colorean de un mismo color los que se
corresponden.
En el caso de los ciclones y los frentes
fríos, los reportes generan un fichero ASCII
con las latitudes y longitudes de las
posiciones en cada plazo de pronóstico que
proporciona el modelo. En los gráficos se
dibuja una trayectoria de los mismos de
acuerdo estas ubicaciones. La evaluación de
estos procesos se realiza contra la mejor
trayectoria para el caso de los ciclones y
contra el patrón nuboso detectado en las
imágenes de satélite en el caso de los
frentes fríos. En la figura 2, se muestra la
simulación de trayectoria correspondiente al
huracán Wilma (19-25 de octubre de 2005),
obtenida a partir de la implementación del
submódulo Cysearch a las salidas del
modelo WRF correspondientes a esa fecha.
Como verificación se emplearon los
datos extraídos de la Base de Datos de
Huracanes del Atlántico (HURDAT2 por
sus siglas en inglés). En la figura 3 se
muestran los resultados obtenidos a partir
del submódulo Ftsearch para las salidas del
modelo correspondiente al 21 de marzo de
2016 a las 18 UTC. Se identificaron
inicialmente 9 crestas (Figura 3a). El
proceso de filtrado implementado a partir
de la función de densidad de probabilidad
concluyó con el reconocimiento de 6 crestas
que conforman el sistema frontal (Figura
3b). La figura 3c, por su parte, muestra el
flujo superficial del viento en el dominio de
estudio. Al este de la costa norteamericana
se visualizan variaciones en la dirección y
fuerza (en metros/segundo) del viento
correspondientes a un sistema frontal, que
se extiende hasta el sur de la costa sur
central del territorio cubano.
Las áreas de nubosidad que pueden ser
relevantes, detectadas a partir del
MODEMod_v1.0, se muestran luego de la
aplicación de la máscara y la fusión. La
evaluación de las mismas se realiza a partir
de los estadígrafos IEC, PD y PFA, al
mismo tiempo que se producen gráficos
asociando las áreas que se corresponden
mediante colores. Los objetos o áreas no
asociados quedan de color blanco.
Ejemplos de la verificación de áreas de
nubosidad pronosticadas por el modelo
ARPS, correspondientes a los días 25 y 26
de marzo de 2013, se muestran en la figura
4. Durante estos días afectó al occidente
cubano el frente frío número 15 de la
temporada invernal 2012-2013. Se puede
observar en cada caso que quedan sin
asociar muchos objetos en el campo
observación, pero de forma general el
método consigue identificar acertadamente
los objetos que se corresponden.
Figura 2. Comparación de las simulaciones
de trayectoria del huracán Wilma obtenidas
del Hurdat2 y del Cysearch
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
160
A B
C
Figura 3. Representación de las crestas identificadas antes del proceso de filtrado (A), y el
frente identificado (B), el día 21 de marzo de 2016 (18 UTC). La imagen (C) muestra el viento
en superficie
Figura 4. Producto del MDRE como resultado de su aplicación al APRS con la finalidad
de evaluar el pronóstico numérico. La imagen izquierda se corresponde con el día 25 de
marzo y la derecha con el 26 de marzo ambos del 2013. Los paneles superiores de cada
imagen se refieren al campo observación a) y al campo pronóstico b) para cada día,
mientras que en los paneles inferiores se muestran los objetos encontrados en cada campo,
asociados por colores
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
161
Conclusiones y Recomendaciones
Si bien el MDRE se encuentra en sus
primeras etapas de desarrollo, su primera
versión resulta muy efectiva destacando
entre sus ventajas el poco costo
computacional y su versatilidad. Esta
última está dada por la facilidad con la que
puede ser adaptado a diferentes modelos de
pronóstico numérico y campos de
observación. Es importante resaltar también
la doble funcionalidad: como herramienta
para el monitoreo y la generación de
reportes de diferentes fenómenos
meteorológicos, que facilita la
interpretación de la salida numérica; y
como mecanismo de verificación orientado
a objetos y a procesos físicos.
Con vistas a continuar enriqueciendo el
módulo, se seguirá profundizando en los
métodos que detectan los frentes fríos,
ciclones y áreas de interés incluyendo
parámetros que permitan una mejor
discriminación. Además, extender la
funcionalidad del MDRE a la detección de
otros procesos como los frentes de brisa y
las ondas.
Referencias
Bieringer, P. E.; Morgan, J.; Hurst, J.;
Martin, B.; Winkler, S.; Xie, Y.;
Mcginley, J. & Albers, S. 2006. “An
Assessment of Automated Boundary and
Front Detection to Support Convective
Initiation Forecasts”. In: Georgia World
Congress Center, Massachusetts, U. S.:
American Meteorological Society,
Available:
<http://citeseerx.ist.psu.edu/viewdoc/do
wnload;jsessionid=3CF20D2921BDD60
A9319590A039660BA?doi=10.1.1.207.
6543&rep=rep1&type=pdf>,
[Consulted: October 27, 2016].
Davis, C. A.; Brown, B. G.; Bullock, R. &
Halley, G. J. 2009. “The Method for
Object-Based Diagnostic Evaluation
(MODE) Applied to Numerical
Forecasts from the 2005 NSSL/SPC
Spring Program”. Weather and
Forecasting, 24(5): 1252–1267, ISSN:
0882-8156, 1520-0434, DOI:
http://dx.doi.org/10.1175/2009WAF2222
241.1.
Doty, B. E. 2003. Grid Analysis and
Display System
(GrADS). version 1.5.1.12, [Linux - Mac
OS X], USA: COLA, Available:
<http://www.m.monsoondata.org/grads/
downloads.html>, [Consulted: October
27, 2016].
Hewson, T. D. 1998. “Objective fronts”.
Meteorological Applications, 5(1): 37–
65, ISSN: 1350-4827, DOI:
http://dx.doi.org/10.1017/S13504827980
00553.
Jenkner, J.; Sprenger, M.; Schwenk, I.;
Schwierz, C.; Dierer, S. & Leuenberger,
D. 2010. “Detection and climatology of
fronts in a high-resolution model
reanalysis over the Alps”.
Meteorological Applications, 17(1): 1–
18, ISSN: 1469-8080, DOI:
http://dx.doi.org/10.1002/met.142.
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
162
Martínez, C. D.; Borrajero, M. I.; Bezanilla,
M. A. & Centella, A. A. 2011. “La
ocurrencia de ciclones tropicales en el
Caribe y México y el calentamiento
global. Aplicación de un modelo
climático regional”. Revista Ciencias de
la Tierra y el Espacio: II Época, (12):
17–30, ISSN: 1729-3790.
MET Developers 2011. Model Evaluation
Tools Version 3.0.1 (METv3 .0 .1):
User’s Guide 3.0.3. Boulder, Colorado,
USA: Developmental Testbed Center,
211 p., Available:
<http://www.dtcenter.org/met/users/docs
/users_guide/MET_Users_Guide_v3.0.3.
pdf>, [Consulted: October 27, 2016].
Orlanski, I. & Ross, B. B. 1984. “The
Evolution of an Observed Cold Front.
Part II: Mesoscale Dynamics”. Journal
of the Atmospheric Sciences, 41(10):
1669–1703, ISSN: 0022-4928, 1520-
0469, DOI:
http://dx.doi.org/10.1175/1520-
0469(1984)041<1669:TEOAOC>2.0.CO
;2.
Pérez, B. A.; Díaz, O. O. & Mitrani, I.
2013. “Sistema de Pronóstico Numérico
Océano-Atmósfera para la República de
Cuba”. In: VII Congreso Cubano de
Meteorología, ISBN: 978-959-7167-43-
3.
Pérez, B. A. & Mitrani, A. I. 2013.
“Pronóstico numérico del oleaje en
mares interamericanos y costas de Cuba,
mediante los modelos numéricos MM5,
WW3 y SWAN”. Ciencias de la Tierra y
el Espacio, 14(1): 14–24, ISSN: 1729-
3790.
Press, W. H.; Flannery, B. P.; Teukolsky, S.
A. & Vetterling, W. T. 1992. Numerical
Recipes in C: The Art of Scientific
Computing. 2nd ed., Cambridge:
Cambridge University Press, 994 p.,
ISBN: 978-0-521-43108-8, Available:
<https://www.amazon.com/Numerical-
Recipes-Scientific-Computing-
Second/dp/0521431085>,
[Consulted: October 27, 2016].
Rodríguez, G. C. F.; Sierra, L. M. & Ferrer,
H. A. L. 2016. “Modificación e
implementación del método de
evaluación espacial MODEMod para su
uso operativo en Cuba”. Ciencias de la
Tierra y el Espacio, 17(1): 18–31, ISSN:
1729-3790.
Roque, C. A.; Sierra, L. M. & Quintana, R.
N. 2014. “Método de Evaluación
Diagnóstico Orientado a Objetos
Modificado (MODEMod) utilizando la
información de los satélites
meteorológicos”. Ciencia de la Tierra y
el Espacio, 15(2): 139–150, ISSN: 1729-
3790.
Sierra, L. M.; Luis, F. A.; Valdés, H. R.;
González, M. Y.; Cruz, R. R. C.;
Borrajero, M. I.; Rodríguez, G. C. F.;
Quintana, R. N. & Roque, C. A. 2014.
Sistema automático de predicción a
mesoescala de cuatro ciclos diarios.
(ser. Sistema de Predicción a muy corto
plazo basado en el Acoplamiento de
Modelos de Alta Resolución y
Asimilación de Datos), Informe de
Revista Cubana de Meteorología, Vol. 22, No. 2, pp. 150-163, 2016, ISSN: 0864-151X
163
Resultado, La Habana, Cuba: Instituto de
Meteorología de Cuba, p. 65, Available:
<https://doi.org/10.13140/RG.2.1.2888.1
127>, [Consulted: October 27, 2016].
Thorpe, A. J. & Clough, S. A. 1991.
“Mesoscale dynamics of cold fronts:
Structures described by dropsoundings
in FRONTS 87”. Quarterly Journal of
the Royal Meteorological Society,
117(501): 903–941, ISSN: 0035-9009,
1477-870X, DOI:
http://dx.doi.org/10.1002/qj.4971175010
3.
Vannière, B.; Czaja, A.; Dacre, H.;
Woollings, T. & Parfitt, R. 2015. “A
potential vorticity signature for the cold
sector of winter extratropical cyclones:
PV Signature for Extratropical Cyclone
Cold Sector”. Quarterly Journal of the
Royal Meteorological Society, 142(694):
432–442, ISSN: 0035-9009, DOI:
http://dx.doi.org/10.1002/qj.2662.
Weather Research & Forecasting (WRF).
2014. ARW Version 3 Modeling System
User’s Guide. Boulder, Colorado:
Mesoscale & Microscale Meteorology
Division-National Center for
Atmospheric Research, 413 p.,
Available:
<http://www2.mmm.ucar.edu/wrf/users/
docs/user_guide_V3.5/ARWUsersGuide
V3.pdf>, [Consulted: October 27, 2016].
Xue, M.; Wang, D.; Gao, J.; Brewster, K. &
Droegemeier, K. K. 2003. “The
Advanced Regional Prediction System
(ARPS), storm-scale numerical weather
prediction and data assimilation”.
Meteorology and Atmospheric Physics,
82(1–4): 139–170, ISSN: 0177-7971,
1436-5065, DOI:
http://dx.doi.org/10.1007/s00703-001-
0595-6.